論文の概要: Joint Variational Autoencoders for Recommendation with Implicit Feedback
- arxiv url: http://arxiv.org/abs/2008.07577v1
- Date: Mon, 17 Aug 2020 19:06:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 03:35:49.712625
- Title: Joint Variational Autoencoders for Recommendation with Implicit Feedback
- Title(参考訳): 暗黙的フィードバックによるリコメンデーションのためのジョイント変分オートエンコーダ
- Authors: Bahare Askari, Jaroslaw Szlichta, Amirali Salehi-Abari
- Abstract要約: 暗黙的なフィードバックを伴うトップkレコメンデーションのためのジョイント変分オートエンコーダ(JoVA)を導入する。
実験の結果,JoVA-Hingeは最先端の協調フィルタリング手法よりも優れていた。
- 参考スコア(独自算出の注目度): 7.880059199461512
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variational Autoencoders (VAEs) have recently shown promising performance in
collaborative filtering with implicit feedback. These existing recommendation
models learn user representations to reconstruct or predict user preferences.
We introduce joint variational autoencoders (JoVA), an ensemble of two VAEs, in
which VAEs jointly learn both user and item representations and collectively
reconstruct and predict user preferences. This design allows JoVA to capture
user-user and item-item correlations simultaneously. By extending the objective
function of JoVA with a hinge-based pairwise loss function (JoVA-Hinge), we
further specialize it for top-k recommendation with implicit feedback. Our
extensive experiments on several real-world datasets show that JoVA-Hinge
outperforms a broad set of state-of-the-art collaborative filtering methods,
under a variety of commonly-used metrics. Our empirical results also confirm
the outperformance of JoVA-Hinge over existing methods for cold-start users
with a limited number of training data.
- Abstract(参考訳): 変分オートエンコーダ(VAE)は最近、暗黙のフィードバックを伴う協調フィルタリングにおいて有望な性能を示した。
これらの既存のレコメンデーションモデルは、ユーザの好みを再構築または予測するためにユーザ表現を学ぶ。
本稿では,ユーザとアイテムの両方の表現を共同で学習し,ユーザの好みを総合的に再構築し,予測する,2つのVAEのアンサンブルであるJoVAを紹介する。
この設計により、JoVAはユーザとアイテムの相関を同時にキャプチャできる。
ヒンジベースのペアワイズ損失関数(JoVA-Hinge)でJoVAの目的関数を拡張することにより、暗黙のフィードバックでトップkレコメンデーションに特化する。
いくつかの実世界のデータセットに対する広範な実験により、JoVA-Hingeは、様々な一般的なメトリクスの下で、最先端の協調フィルタリング手法の幅広いセットより優れていることが示された。
また,本実験の結果から,トレーニングデータ数に制限のあるコールドスタートユーザに対して,JoVA-Hingeの有効性を確認した。
関連論文リスト
- Neural Graph Collaborative Filtering Using Variational Inference [19.80976833118502]
本稿では,変分グラフオートエンコーダを用いて学習した表現を組み込む新しいフレームワークとして,変分埋め込み協調フィルタリング(GVECF)を導入する。
提案手法は,テストデータに対するリコールを最大13.78%改善する。
論文 参考訳(メタデータ) (2023-11-20T15:01:33Z) - Dual Personalization on Federated Recommendation [50.4115315992418]
フェデレートされたレコメンデーションは、フェデレーションされた設定でプライバシを保存するレコメンデーションサービスを提供することを目的とした、新しいインターネットサービスアーキテクチャである。
本稿では,ユーザ固有の軽量モデルの多くを学習するためのPersonalized Federated Recommendation(PFedRec)フレームワークを提案する。
また、ユーザとアイテムの両方の詳細なパーソナライズを効果的に学習するための、新しい二重パーソナライズ機構を提案する。
論文 参考訳(メタデータ) (2023-01-16T05:26:07Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳(メタデータ) (2022-11-17T19:00:24Z) - ContrastVAE: Contrastive Variational AutoEncoder for Sequential
Recommendation [58.02630582309427]
本稿では,コントラスト学習を変分オートエンコーダの枠組みに組み込むことを提案する。
ContrastELBOは,従来のシングルビューELBOを2ビューケースに拡張した,新しいトレーニング目標である。
また、コントラストELBOの具体化として、コントラスト正規化を備えた2分岐VAEモデルであるContrastVAEを提案する。
論文 参考訳(メタデータ) (2022-08-27T03:35:00Z) - Modeling Dynamic User Preference via Dictionary Learning for Sequential
Recommendation [133.8758914874593]
ユーザの好みのダイナミックさを捉えることは、ユーザの将来の行動を予測する上で非常に重要です。
浅いものも深いものも含む、既存のレコメンデーションアルゴリズムの多くは、このようなダイナミクスを独立してモデル化することが多い。
本稿では、ユーザのシーケンシャルな振る舞いを、ユーザ好みの潜伏した空間に埋め込むことの問題について考察する。
論文 参考訳(メタデータ) (2022-04-02T03:23:46Z) - Covariate-informed Representation Learning with Samplewise Optimal
Identifiable Variational Autoencoders [15.254297587065595]
最近提案された変分オートエンコーダ (iVAE) は、データの潜在独立成分を学習するための有望なアプローチを提供する。
我々は新しいアプローチ、CI-iVAE(co-informed identible VAE)を開発した。
目的関数は逆関係を強制し、学習された表現はより多くの観測情報を含む。
論文 参考訳(メタデータ) (2022-02-09T00:18:33Z) - Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。
本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。
提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文 参考訳(メタデータ) (2021-05-20T08:59:44Z) - Set2setRank: Collaborative Set to Set Ranking for Implicit Feedback
based Recommendation [59.183016033308014]
本稿では,暗黙的フィードバックの特徴を探究し,推奨するSet2setRankフレームワークを提案する。
提案するフレームワークはモデルに依存しず,ほとんどの推奨手法に容易に適用できる。
論文 参考訳(メタデータ) (2021-05-16T08:06:22Z) - Dual-embedding based Neural Collaborative Filtering for Recommender
Systems [0.7949579654743338]
本稿では,DNCF をベースとしたニューラル・コラボレーティブ・フィルタリングのために,DNCF という汎用的な協調フィルタリングフレームワークを提案する。
ユーザ(アイテム)に対するプリミティブな埋め込みの学習に加えて,インタラクションされたアイテム(ユーザ)の観点から追加的な埋め込みを導入し,ユーザ(item)表現を拡大する。
論文 参考訳(メタデータ) (2021-02-04T11:32:11Z) - Explainable Recommendations via Attentive Multi-Persona Collaborative
Filtering [23.568264786920793]
推薦システムの主な課題は、ユーザを異質な味でモデル化し、説明可能なレコメンデーションを提供することである。
両問題の統一解として,ニューラル・アテンテーティブ・マルチペソナ協調フィルタリングモデルを提案する。
論文 参考訳(メタデータ) (2020-09-26T11:52:57Z) - Exploration-Exploitation Motivated Variational Auto-Encoder for
Recommender Systems [1.52292571922932]
協調フィルタリングにおいて,エクスプロビテーション探索型変分自動エンコーダ(XploVAE)を導入する。
パーソナライズされたレコメンデーションを容易にするために、観測されたユーザとイテムのインタラクションを1次にキャプチャする、ユーザ固有のサブグラフを構築した。
階層的潜在空間モデルを用いて、各ユーザに対するパーソナライズされたアイテム埋め込みと、全ユーザサブグラフの人口分布を学習する。
論文 参考訳(メタデータ) (2020-06-05T17:37:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。